CN113469471A - 聚类方法、运输车辆路径规划方法、电子设备及存储介质 - Google Patents

聚类方法、运输车辆路径规划方法、电子设备及存储介质 Download PDF

Info

Publication number
CN113469471A
CN113469471A CN202111028465.4A CN202111028465A CN113469471A CN 113469471 A CN113469471 A CN 113469471A CN 202111028465 A CN202111028465 A CN 202111028465A CN 113469471 A CN113469471 A CN 113469471A
Authority
CN
China
Prior art keywords
order
cluster
buffer area
goods
orders
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202111028465.4A
Other languages
English (en)
Inventor
苏志远
韩静雯
谭树勇
汪朝林
李万涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bao Kai Shanghai Intelligent Logistics Technology Co ltd
Beijing University of Posts and Telecommunications
Original Assignee
Bao Kai Shanghai Intelligent Logistics Technology Co ltd
Beijing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Bao Kai Shanghai Intelligent Logistics Technology Co ltd, Beijing University of Posts and Telecommunications filed Critical Bao Kai Shanghai Intelligent Logistics Technology Co ltd
Priority to CN202111028465.4A priority Critical patent/CN113469471A/zh
Publication of CN113469471A publication Critical patent/CN113469471A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0633—Lists, e.g. purchase orders, compilation or processing
    • G06Q30/0635—Processing of requisition or of purchase orders

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种聚类方法、运输车辆路径规划方法、电子设备及存储介质，其中，该聚类方法包括：基于地理信息系统根据订单的取货地点和送货地点确定订单的货物运输路径；按第一、第二及第三类型聚类确定两两订单的缓冲区重叠关系，将出现第一、第二及第三类型聚类的缓冲区重叠的订单划分至同一个订单集群；第一类型聚类为取货点缓冲区重叠且送货点缓冲区重叠；第二类型聚类为一订单的送货点缓冲区与另一订单的取货点缓冲区重叠；第三类型聚类为一订单的货物运输路径缓冲区与另一订单的取货点缓冲区重叠的第二类型聚类；将运输车辆分配至与其缓冲区重叠的订单集群。通过上述方案能够提高大规模运输车辆调度路径的优化效率。

Description

聚类方法、运输车辆路径规划方法、电子设备及存储介质
技术领域
本发明涉及信息技术领域，尤其涉及一种聚类方法、运输车辆路径规划方法、电子设备及存储介质。
背景技术
近年来，随着汽车生产制造与销售规模的逐渐上升，汽车物流贸易发展迅速。乘用车运输的主要模式是公路运输，占比高达85%，但其仍然存在空车运输率高达40%的问题。目前许多第三方物流公司对于复杂的车辆调度问题还依靠于低效率且成本高的手动操作，而对于乘用车整车物流（参见图1）进行车辆路径优化的研究尚较少。
有人针对整车物流的车辆调度问题提出了不同的模型和求解方式。目前针对车辆路径问题中的大规模数据集问题，常采用聚类算法对其进行预处理以提高其后续路径规划的速度及准确性。K-means算法是目前常用的一种聚类算法，属于硬聚类算法，是以数据点之间的某种距离作为优化的目标函数，聚类速度较快，但其聚类精度不高，且在实际的运输路径问题中，车辆的行驶路径并不是一条直线，而是多折线，所传统的K-means算法并不能满足实际问题需要。
因此，目前针对车辆路径优化的方法并不能很好地准确求解，很难切实实现物流公司的运输车辆调度优化。
发明内容
有鉴于此，本发明提供了一种聚类方法、运输车辆路径规划方法、电子设备及存储介质，以有效提升聚类的合理性与优化程度，提高路径优化效率，从而提高大规模运输车辆调度的效率。
为了达到上述目的，本发明采用以下方案实现：
根据本发明实施例的一个方面，提供了一种用于运输车辆路径规划的聚类方法，包括：
获取订单集合中各订单的取货地点和送货地点，并基于地理信息系统，根据每个订单的取货地点和送货地点确定相应订单的货物运输路径；
按包括第一类型聚类、第二类型聚类及第三类型聚类的多种聚类方式确定订单集合中两两订单的点缓冲区及线缓冲区之间的重叠关系，以将订单集合中出现所述第一类型聚类、所述第二类型聚类及所述第三类型聚类中任一种聚类方式对应的缓冲区重叠情况的订单划分至同一个订单集群；其中，所述第一类型聚类为不同两个订单的取货地点的点缓冲区重叠且其二者的送货地点的点缓冲区重叠；所述第二类型聚类为不同两个订单中的一个订单的送货地点的点缓冲区与另一个订单的取货地点的点缓冲区重叠；所述第三类型聚类为不同两个订单中第一订单的货物运输路径的线缓冲区与第二订单的取货地点的点缓冲区重叠且该第一订单的送货地点的点缓冲区与该第二订单的送货地点的点缓冲区重叠；
获取运输车辆集合中各运输车辆所在位置地点，并确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，以将运输车辆分配至与其所在位置地点的点缓冲区重叠的订单集群的缓冲区对应的订单集群中；其中，订单集群的缓冲区包括相应订单集群中所有订单的取货地点的点缓冲区、送货地点的点缓冲区、及货物运输路径的线缓冲区融合组成的缓冲区。
在一些实施例中，所述第一类型聚类中订单的取货地点的点缓冲区为以取货地点为圆心且具有第一半径大小的圆形缓冲区，所述第一类型聚类中订单的送货地点的点缓冲区为以送货地点为圆心且具有第二半径大小的圆形缓冲区；
所述第二类型聚类中订单的送货地点的点缓冲区为以送货地点为圆心且具有第三半径大小的圆形缓冲区，所述第二类型聚类中订单的取货地点的点缓冲区为以取货地点为圆心且具有第三半径大小的圆形缓冲区；
所述第三类型聚类中订单的送货地点的点缓冲区为以送货地点为圆心且具有第四半径大小的圆形缓冲区，所述第三类型聚类中订单的取货地点的点缓冲区为以取货地点为圆心且具有第五半径大小的圆形缓冲区，所述第三类型聚类中订单的货物运输路径的线缓冲区为具有设定宽度的线形缓冲区。
在一些实施例中，所述第一半径大小、所述第二半径大小、及所述第五半径大小均为设定半径大小，所述第四半径大小等于所述第三半径大小，且所述第三半径大小大于所述设定半径大小。
在一些实施例中，确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，以将运输车辆分配至与其所在位置地点的点缓冲区重叠的订单集群的缓冲区对应的订单集群中，包括：
确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，在同一运输车辆所在位置地点的点缓冲区与第一订单集群的缓冲区和第二订单集群的缓冲区均存在重叠关系的情况下，确定相应运输车辆与第一订单集群中距其最近取货地点或设定取货点的第一距离，以及相应运输车辆与第二订单集群中距其最近取货地点或设定取货点的第二距离，若第一距离小于第二距离，则将相应运输车辆分配至第一订单集群中。
在一些实施例中，确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，以将运输车辆分配至与其所在位置地点的点缓冲区重叠的订单集群的缓冲区对应的订单集群中，包括：
确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，在同一运输车辆所在位置地点的点缓冲区与第一订单集群的缓冲区和第二订单集群的缓冲区均存在重叠关系的情况下，确定已分配至第一订单集群的运输车辆的数量与第一订单集群中订单数量的第一比值，以及已分配至第二订单集群的运输车辆的数量与第二订单集群中订单数量的第二比值，若第一比值小于第二比值，则将相应运输车辆分配至第一订单集群。
在一些实施例中，确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，以将运输车辆分配至与其所在位置地点的点缓冲区重叠的订单集群的缓冲区对应的订单集群中，包括：
确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，若同一运输车辆所在位置地点的点缓冲区与第一订单集群的缓冲区和第二订单集群的缓冲区均存在重叠关系，则确定相应运输车辆与第一订单集群中距其最近取货地点或设定取货点的第一距离，以及相应运输车辆与第二订单集群中距其最近取货地点或设定取货点的第二距离；
若第一距离等于第二距离或第一距离和第二距离的差值在设定距离差值范围内，则确定已分配至第一订单集群的运输车辆的数量与第一订单集群中订单数量的第一比值，以及已分配至第二订单集群的运输车辆的数量与第二订单集群中订单数量的第二比值；
若第一比值等于第二比值或第一比值和第二比值的差值在设定比值差值范围内，则将相应运输车辆随机分配至第一订单集群或第二订单集群。
在一些实施例中，获取运输车辆集合中各运输车辆所在位置地点，包括：
将运输车辆集合中各运输车辆随机分配至订单集合中所有订单的取货地点，得到各运输车辆所在位置地点。
根据本发明实施例的另一个方面，还提供了一种运输车辆路径规划方法，包括：
利用上述任一实施例所述的用于运输车辆路径规划的聚类方法对设定订单集合和设定运输车辆集合进行聚类分析，得到包含订单和运输车辆的订单集群；
基于订单集群中的订单的取货地点、送货地点及货物运输路径和运输车辆所在位置地点，对相应订单集群中运输车辆将其中订单的货物从其取货地点运输至其送货地点的路径进行规划。
根据本发明实施例的另一个方面，还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述方法的步骤。
根据本发明实施例的另一个方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例所述方法的步骤。
本发明实施例的用于运输车辆路径规划的聚类方法、运输车辆路径规划方法、电子设备及计算机可读存储介质，通过采用GIS的缓冲区技术，订单之间的距离计算不再是进行简单的直线距离计算，而是将订单与运输车辆之间的实际运输路径及缓冲区信息进行多种类型聚类，有效提升了聚类的合理性与优化程度；通过采用三种不同类型的路径缓冲区聚类算子，涵盖了乘用车整车物流车辆路径规划问题中对订单和运输车辆进行聚类的所有情形，降低了聚类算法的复杂度，提升了优化效果，降低了优化计算时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1是乘用车整车物流运输网路的示意图；
图2是本发明一实施例的用于运输车辆路径规划的聚类方法的流程示意图；
图3是本发明一实施例的运输车辆路径规划方法的流程示意图；
图4是各种不同路径缓冲区的定义示意图；
图5是本发明一具体实施例的基于路径缓冲区的运输订单聚类算法示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
目前针对乘用车整车物流车辆调度问题所提出的算法及模型，对于大订单量以及大运输车辆数量的大规模车辆调度问题中的求解效率和求解精度问题并没有显著提高，且常用的可以用于改善大规模数据求解效率问题的聚类算法的聚类精度较低，不能覆盖取送货问题的所有情形。
针对上述问题，为了优化大规模整车物流运输的车辆路径，提高大规模运输车辆调度的效率，本发明提出了一种用于运输车辆路径规划的聚类方法，通过对订单和车辆进行更佳的聚类分析，并将实际地理信息考虑进去，来优化运输车辆的路径，从而基于实际地理路径缓冲区的自适应聚类算法来对大规模数据集进行聚类操作，以提高其后续路径优化操作的求解精度，提高车辆调度效率。
图2是本发明一实施例的用于运输车辆路径规划的聚类方法的流程示意图，参见图2，该实施例的聚类方法可包括以下步骤S110~步骤S130。
下面将对步骤S110至步骤S130的具体实施方式进行详细说明。
步骤S110：获取订单集合中各订单的取货地点和送货地点，并基于地理信息系统，根据每个订单的取货地点和送货地点确定相应订单的货物运输路径。
该步骤S110，可以获取设定历史时间段内生成的物流运输的订单，形成订单集合，并可从订单集合的各订单信息中提取相应订单的取货地点和送货地点。取货地点为始发地，送货地点为目的地。基于地理信息系统（GIS系统），根据每个订单的取货地点和送货地点确定相应订单的可以找到最优货物运输路径，是否最优可以考虑路径最短、路况最好等信息。
根据地理信息系统能够获得订单货物运输的实际路径，所以在后续步骤中能够利用实际运输路径进行聚类分析，相比与现有的采用直线距离的计算方式，本实施例的方法更贴合实际情况，更有助于提高聚类分析结果的精确度。另外，到目前为止尚没有将GIS技术中的路径缓冲区应用到大规模车辆路径优化上的研究，而本实施例能够实现大规模车辆运输路径优化。
步骤S120：按包括第一类型聚类、第二类型聚类及第三类型聚类的多种聚类方式确定订单集合中两两订单的点缓冲区及线缓冲区之间的重叠关系，以将订单集合中出现所述第一类型聚类、所述第二类型聚类及所述第三类型聚类中任一种聚类方式对应的缓冲区重叠情况的订单划分至同一个订单集群；其中，所述第一类型聚类为不同两个订单的取货地点的点缓冲区重叠且其二者的送货地点的点缓冲区重叠；所述第二类型聚类为不同两个订单中的一个订单的送货地点的点缓冲区与另一个订单的取货地点的点缓冲区重叠；所述第三类型聚类为不同两个订单中第一订单的货物运输路径的线缓冲区与第二订单的取货地点的点缓冲区重叠且该第一订单的送货地点的点缓冲区与该第二订单的送货地点的点缓冲区重叠。
该步骤S120中，需要说明的是订单的运输对象货物是泛指各种待运输对象，主要是指物品，也可能是人。通过设计第一类型聚类，能够覆盖取货地点相同或相近，且送货地点相同或相近的不同两个订单的情况，这种情况的订单划分为一类，有助于利用一个运输车辆完成多个该种订单的货物运输。通过设计第二类型聚类，能够覆盖一个订单的取货地点和另一个订单的送货地点相同或相近的情况，以此可便于该两个订单的运输路径接连起来。通过设计第三类型聚类，能够覆盖一个订单的送货地点与另一订单的送货地点相同或相近并且该一个订单的取货地点在另一订单运输路径上或附近的情形，以此可以便于在一个订单货物的运输图中顺便运输另一订单的情形。通过设计上述三种类型聚类方式，能够覆盖物流运输中可能遇到的各种情形，从而便于提高规划的运输路径的运输效率。另外，不排除在其他实施例中还包括其他类型的聚类方式。
路径缓冲区（Buffer Area，BA）是地理空间目标的一种影响范围或者服务范围，具体指的是围绕点、线、面实体的多边自动建立的一定宽度，具体可分为点缓冲区、线缓冲区、面缓冲区等。如图4中（a）图所示，点缓冲区可以是以点对象为中心，以给定的缓冲距离为半径生成的圆形区域，如图4中（b）图所示，线缓冲区可以是对象沿线的法线方向，可以是将两条线向线对象的两侧平移一定距离，并将在线的末端形成的平滑曲线连接而形成的闭合区域。
该步骤S120中，各缓冲区域的形状、尺寸等参数可以根据具体需要确定。
例如，所述第一类型聚类中订单的取货地点的点缓冲区可以为以取货地点为圆心且具有第一半径大小的圆形缓冲区，所述第一类型聚类中订单的送货地点的点缓冲区可以为以送货地点为圆心且具有第二半径大小的圆形缓冲区。
所述第二类型聚类中订单的送货地点的点缓冲区可以为以送货地点为圆心且具有第三半径大小的圆形缓冲区，所述第二类型聚类中订单的取货地点的点缓冲区可以为以取货地点为圆心且具有第三半径大小的圆形缓冲区。
所述第三类型聚类中订单的送货地点的点缓冲区可以为以送货地点为圆心且具有第四半径大小的圆形缓冲区，所述第三类型聚类中订单的取货地点的点缓冲区可以为以取货地点为圆心且具有第五半径大小的圆形缓冲区，所述第三类型聚类中订单的货物运输路径的线缓冲区可以为具有设定宽度的线形缓冲区。其中，该线形缓冲区可以是指货物运输路径在给与一定宽度后的线条所占区域。
更具体地，所述第一半径大小、所述第二半径大小、及所述第五半径大小可以均为设定半径大小，所述第四半径大小可以等于所述第三半径大小，且所述第三半径大小可以大于所述设定半径大小。
该实施例中，第三半径大小为确定第二类型聚类中一个订单的送货地点与另一个订单取货地点的缓冲区重叠情况下的参数，而设定半径大小（如所述第一半径大小、所述第二半径大小、及所述第五半径大小）是用来确定不同订单的取货地点或送货地点间的缓冲区重叠情况的参数，取货地点和送货地点之间距离易大于取货地点间距离或送货地点间距离，所以设置第三半径大小可以大于所述设定半径大小更符合实际情况。在其他实施例中，可以采用其他参数，各参数的大小关系可以有所不同。
步骤S130：获取运输车辆集合中各运输车辆所在位置地点，并确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，以将运输车辆分配至与其所在位置地点的点缓冲区重叠的订单集群的缓冲区对应的订单集群中；其中，订单集群的缓冲区包括相应订单集群中所有订单的取货地点的点缓冲区、送货地点的点缓冲区、及货物运输路径的线缓冲区融合组成的缓冲区。
上述步骤S130中，可供调度的运输车辆可以具有一定数量，各运输车辆可以位于一定位置地点。运输车辆的最初位置可以通过在路径规划前随机分配得到，可以将运输车辆随机分配到订单所在区域。例如，该步骤S130中，获取运输车辆集合中各运输车辆所在位置地点，具体可包括步骤：将运输车辆集合中各运输车辆随机分配至订单集合中所有订单的取货地点，得到各运输车辆所在位置地点。在开始将运输车辆随机分配到取货地点，不仅能够便于车辆分布均匀，而且可使车辆尽可能位于订单的始发点。通过该步骤可以将可供调度的大规模车辆分配到各订单集群中，各订单集群中的车辆用来运输其集群的订单。订单集群的缓冲区是其中所有订单的取货地点的缓冲区、送货地点的缓冲区及货物运输路径缓冲区叠加在一起形成的区域。运输车辆所在位置地点的点缓冲区可以是以该运输车辆所在位置地点为圆心以某半径大小的圆形区域，该半径大小可以与其他点缓冲区的半径大小具有相同或不同的关系。
具体实施时，运输车辆所在位置的缓冲区有可能与多个订单集群的缓冲区都有重叠，但运输车辆最终只能被分配到一个订单集群中。所以可以设置进一步的条件确定该种运输车辆最终所要分配到的订单集群。
在一些实施例中，可以选择距离运输车辆较近的订单集群，并将该运输车辆分配到该订单集群。示例性地，上述步骤S130，即，确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，以将运输车辆分配至与其所在位置地点的点缓冲区重叠的订单集群的缓冲区对应的订单集群中，具体可包括步骤：S1311，确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，在同一运输车辆所在位置地点的点缓冲区与第一订单集群的缓冲区和第二订单集群的缓冲区均存在重叠关系的情况下，确定相应运输车辆与第一订单集群中距其最近取货地点或设定取货点的第一距离，以及相应运输车辆与第二订单集群中距其最近取货地点或设定取货点的第二距离，若第一距离小于第二距离，则将相应运输车辆分配至第一订单集群中。
该实施例中，通过计算运输车辆与订单集群中最近取货点的距离，以此比较运输车辆与两个订单集群的距离可以更贴合通常从取货地点开始运输的实际情况。或者用来计算距离的取货地点可以是根据特定方式确定出来的，例如，可以是路径规划中的起始取货地点。
在另一些实施例中，可以将运输车辆分配至车辆较少且订单较多的订单集群中。示例性地，上述步骤S130，即，确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，以将运输车辆分配至与其所在位置地点的点缓冲区重叠的订单集群的缓冲区对应的订单集群中，具体可包括步骤：S1321，确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，在同一运输车辆所在位置地点的点缓冲区与第一订单集群的缓冲区和第二订单集群的缓冲区均存在重叠关系的情况下，确定已分配至第一订单集群的运输车辆的数量与第一订单集群中订单数量的第一比值，以及已分配至第二订单集群的运输车辆的数量与第二订单集群中订单数量的第二比值，若第一比值小于第二比值，则将相应运输车辆分配至第一订单集群。
该实施例中，通过选择车辆数量与订单量比值较小的订单集群，能够方便地选择车辆较少且订单量较多的集群，以此可以将订单集群中的车辆数量和订单数量相匹配。在其他实施例中，可以其他计算方式来达到车辆数量和订单量均衡的目的。
在以具体实施例中，可以结合多种方式依次进行选择，最终确定一个订单集群将运输车辆分配至其中。
示例性地，上述步骤S130，即，确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，以将运输车辆分配至与其所在位置地点的点缓冲区重叠的订单集群的缓冲区对应的订单集群中，具体可包括步骤：
S1331，确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，若同一运输车辆所在位置地点的点缓冲区与第一订单集群的缓冲区和第二订单集群的缓冲区均存在重叠关系，则确定相应运输车辆与第一订单集群中距其最近取货地点或设定取货点的第一距离，以及相应运输车辆与第二订单集群中距其最近取货地点或设定取货点的第二距离；
S1332，若第一距离等于第二距离或第一距离和第二距离的差值在设定距离差值范围内，则确定已分配至第一订单集群的运输车辆的数量与第一订单集群中订单数量的第一比值，以及已分配至第二订单集群的运输车辆的数量与第二订单集群中订单数量的第二比值；
S1333，若第一比值等于第二比值或第一比值和第二比值的差值在设定比值差值范围内，则将相应运输车辆随机分配至第一订单集群或第二订单集群。
该实施例中，可以先根据与订单集群的距离选择订单集群，若还不能确定，可以继续以车辆数量与订单数量均衡的目的选择订单集群，若仍不能确定，可以从可被分配的订单集群中随机选择一个订单集群进行分配。
基于与图2所示的用于运输车辆路径规划的聚类方法相同的发明构思，本发明还提供了一种运输车辆路径规划方法，其中，该用于运输车辆路径规划的聚类方法的具体实施方式可参见上述实施例实施，故不再赘述。
图3是本发明一实施例的运输车辆路径规划方法的流程示意图，参见图3，该实施例的运输车辆路径规划方法，可包括以下步骤：
步骤S210：利用本发明实施例所述的用于运输车辆路径规划的聚类方法对设定订单集合和设定运输车辆集合进行聚类分析，得到包含订单和运输车辆的订单集群；
步骤S220：基于订单集群中的订单的取货地点、送货地点及货物运输路径和运输车辆所在位置地点，对相应订单集群中运输车辆将其中订单的货物从其取货地点运输至其送货地点的路径进行规划。
通过上述步骤S210可以将一定数量的待运输的订单的划分为多组，并可将一定数量的位于一定地点的运输车辆分配至某组订单。在上述步骤S220中，可以针对每组订单进行运输路径规划，可以利用现有用于路径规划的算法实现，例如，有禁忌搜索算法、分散搜索算法、遗传算法、蚁群算法、模拟退火算法等。
另外，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一实施例所述的用于运输车辆路径规划的聚类方法或上述任一实施例所述的运输车辆路径规划方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例所述的用于运输车辆路径规划的聚类方法或上述任一实施例所述的运输车辆路径规划方法的步骤。
下面结合一个具体实施例对上述方法进行说明，然而，值得注意的是，该具体实施例仅是为了更好地说明本申请，并不构成对本申请的不当限定。
在一具体实施例中，基于订单实际地理路径缓冲区的自适应聚类算法，又可称为路径缓冲区聚类（PBC），其包括订单分组和向组中添加车辆形成集群两个步骤。首先根据三种订单聚类类型设置不同的缓冲区大小，将具有重叠缓冲区的订单分为一组。然后，设置所有运输车辆的位置缓冲区δ（运输车辆起始位置的点缓冲区），并且将与每组订单中取货点缓冲区的位置重叠的δ缓冲区的运输车辆添加到此组订单形成集群。
图5是本发明一具体实施例的基于路径缓冲区的运输订单聚类算法示意图，参见图5，有三种不同类型的缓冲区集群：
1）Ⅰ型聚类：如图5中（a）图所示，两个订单的取货点和送货点的α缓冲区（缓冲区半径的大小为α）分别重叠，聚类缓冲区参数为α；
2）Ⅱ型聚类：如图5中（b）图所示，第一个订单送货点的β缓冲区（缓冲区半径的大小为β）和第二个订单取货点的β缓冲区重叠，聚类参数为β（通常β>α）；
3）Ⅲ型聚类：如图5中（c）图所示，一个订单取货点的α缓冲区和另一个订单的γ缓冲区（运输路线的线缓冲区的宽度时2γ）重叠，同时两个订单送货点的β缓冲区重叠。
根据以上步骤1）~3），可以将订单划分为若干组，图5中（d）图示出了划分得到订单组1和订单组2两个订单组的订单聚类结果示意图。
路径缓冲区聚类（PBC）算法如下所示：
Input：订单集A，参数α，β，γ
Output：聚类结果CR
n←集合A的大小
Adjacency←大小为n*n且默认值为0的空列表
for i(0,n) do
for j in(0,n) do
if i! = j then
r i ←requestes[i]
r j ←requestes[j]
if r i 和r j 满足聚类条件
Adjacency[i][j] ←1
end
end
end
end
Adjacency中邻接图的个数就是集群的个数
该基于实际地理路径缓冲区的聚类方法步骤如下：
S1：参数设置及初始化：订单需求集合为A，其大小为n，初始化一个大小为n*n且默认值为0的邻接矩阵Adjacency；
S2：遍历集合A，计算集合中两点之间的距离，判断其是否满足上述聚类条件，若满足，将对应的邻接矩阵Adjacency中的值变为1；
S3：将集合A的所有需求点遍历完后，算法结束，得到邻接矩阵Adjacency，Adjacency中的邻接图的个数就是最终聚类得到的簇的个数；
S4：设置所有运输车辆的位置缓冲区δ（运输车辆起始位置的点缓冲区），并且将与取货点缓冲区位置重叠的δ缓冲区的运输车辆添加到此组形成集群；
S5：将根据上述步骤S4得到的集群中存在的重复运输车辆（即同一运输车辆可能被添加到多个不同的集群中）按照以下原则消除重复：
1）首先，距离优先，即将距离集群中的取货点最近的运输车辆加入该集群；
2）其次，考虑集群中车辆数量和订单数量的比值，即运输车辆将以一个较小的比值加入到集群中；
3）最后，将运输车辆随机添加到一个集群中。聚类算法的伪代码如算法1所示。
该实施例中，提出了一种乘用车整车物流运输网络车辆路径规划中的基于路径缓冲区的聚类方法，该方法利用一种基于实际地理路径缓冲区的自适应聚类算子群，对进行路径规划前的订单和运输车辆进行聚类，然后再对其进行后续路径优化的方法。能够解决大订单量以及大运输车辆数量的大规模车辆调度问题中的求解效率和求解精度问题，能够切实提高大规模车辆路径问题的求解精度和有效降低问题求解时长。由于采用了基于GIS的缓冲区技术，对订单及运输车辆进行路径缓冲区聚类操作，订单之间的距离计算不再是进行简单的直线距离计算，而是将订单与运输车辆之间的实际运输路径及缓冲区信息进行Ⅰ、Ⅱ、Ⅲ型聚类，通过采用拥有三种不同聚类类型的路径缓冲区聚类算子进行订单及运输车辆的聚类，有效提升了聚类的合理性与优化程度，降低了计算量。由于采用了三种不同类型的路径缓冲区聚类算子，涵盖了乘用车整车物流车辆路径规划问题中对订单和运输车辆进行聚类的所有情形，降低了聚类算法的复杂度，提升了优化效果，降低了优化计算时间。进而，对每个聚类进行需求分割和路径规划操作，能够有效减少大规模运输车辆调度优化时的计算量并能大幅提升优化幅度。
在本说明书的描述中，参考术语“一个实施例”、“一个具体实施例”、“一些实施例”、“例如”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。各实施例中涉及的步骤顺序用于示意性说明本发明的实施，其中的步骤顺序不作限定，可根据需要作适当调整。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于运输车辆路径规划的聚类方法，其特征在于，包括：
获取订单集合中各订单的取货地点和送货地点，并基于地理信息系统，根据每个订单的取货地点和送货地点确定相应订单的货物运输路径；
按包括第一类型聚类、第二类型聚类及第三类型聚类的多种聚类方式确定订单集合中两两订单的点缓冲区及线缓冲区之间的重叠关系，以将订单集合中出现所述第一类型聚类、所述第二类型聚类及所述第三类型聚类中任一种聚类方式对应的缓冲区重叠情况的订单划分至同一个订单集群；其中，所述第一类型聚类为不同两个订单的取货地点的点缓冲区重叠且其二者的送货地点的点缓冲区重叠；所述第二类型聚类为不同两个订单中的一个订单的送货地点的点缓冲区与另一个订单的取货地点的点缓冲区重叠；所述第三类型聚类为不同两个订单中第一订单的货物运输路径的线缓冲区与第二订单的取货地点的点缓冲区重叠且该第一订单的送货地点的点缓冲区与该第二订单的送货地点的点缓冲区重叠；
获取运输车辆集合中各运输车辆所在位置地点，并确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，以将运输车辆分配至与其所在位置地点的点缓冲区重叠的订单集群的缓冲区对应的订单集群中；其中，订单集群的缓冲区包括相应订单集群中所有订单的取货地点的点缓冲区、送货地点的点缓冲区、及货物运输路径的线缓冲区融合组成的缓冲区。
2.如权利要求1所述的用于运输车辆路径规划的聚类方法，其特征在于，
所述第一类型聚类中订单的取货地点的点缓冲区为以取货地点为圆心且具有第一半径大小的圆形缓冲区，所述第一类型聚类中订单的送货地点的点缓冲区为以送货地点为圆心且具有第二半径大小的圆形缓冲区；
所述第二类型聚类中订单的送货地点的点缓冲区为以送货地点为圆心且具有第三半径大小的圆形缓冲区，所述第二类型聚类中订单的取货地点的点缓冲区为以取货地点为圆心且具有第三半径大小的圆形缓冲区；
所述第三类型聚类中订单的送货地点的点缓冲区为以送货地点为圆心且具有第四半径大小的圆形缓冲区，所述第三类型聚类中订单的取货地点的点缓冲区为以取货地点为圆心且具有第五半径大小的圆形缓冲区，所述第三类型聚类中订单的货物运输路径的线缓冲区为具有设定宽度的线形缓冲区。
3.如权利要求2所述的用于运输车辆路径规划的聚类方法，其特征在于，所述第一半径大小、所述第二半径大小、及所述第五半径大小均为设定半径大小，所述第四半径大小等于所述第三半径大小，且所述第三半径大小大于所述设定半径大小。
4.如权利要求1所述的用于运输车辆路径规划的聚类方法，其特征在于，确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，以将运输车辆分配至与其所在位置地点的点缓冲区重叠的订单集群的缓冲区对应的订单集群中，包括：
确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，在同一运输车辆所在位置地点的点缓冲区与第一订单集群的缓冲区和第二订单集群的缓冲区均存在重叠关系的情况下，确定相应运输车辆与第一订单集群中距其最近取货地点或设定取货点的第一距离，以及相应运输车辆与第二订单集群中距其最近取货地点或设定取货点的第二距离，若第一距离小于第二距离，则将相应运输车辆分配至第一订单集群中。
5.如权利要求1所述的用于运输车辆路径规划的聚类方法，其特征在于，确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，以将运输车辆分配至与其所在位置地点的点缓冲区重叠的订单集群的缓冲区对应的订单集群中，包括：
确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，在同一运输车辆所在位置地点的点缓冲区与第一订单集群的缓冲区和第二订单集群的缓冲区均存在重叠关系的情况下，确定已分配至第一订单集群的运输车辆的数量与第一订单集群中订单数量的第一比值，以及已分配至第二订单集群的运输车辆的数量与第二订单集群中订单数量的第二比值，若第一比值小于第二比值，则将相应运输车辆分配至第一订单集群。
6.如权利要求1所述的用于运输车辆路径规划的聚类方法，其特征在于，确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，以将运输车辆分配至与其所在位置地点的点缓冲区重叠的订单集群的缓冲区对应的订单集群中，包括：
确定各运输车辆所在位置地点的点缓冲区和各订单集群的缓冲区的重叠关系，若同一运输车辆所在位置地点的点缓冲区与第一订单集群的缓冲区和第二订单集群的缓冲区均存在重叠关系，则确定相应运输车辆与第一订单集群中距其最近取货地点或设定取货点的第一距离，以及相应运输车辆与第二订单集群中距其最近取货地点或设定取货点的第二距离；
若第一距离等于第二距离或第一距离和第二距离的差值在设定距离差值范围内，则确定已分配至第一订单集群的运输车辆的数量与第一订单集群中订单数量的第一比值，以及已分配至第二订单集群的运输车辆的数量与第二订单集群中订单数量的第二比值；
若第一比值等于第二比值或第一比值和第二比值的差值在设定比值差值范围内，则将相应运输车辆随机分配至第一订单集群或第二订单集群。
7.如权利要求4至6任一项所述的用于运输车辆路径规划的聚类方法，其特征在于，获取运输车辆集合中各运输车辆所在位置地点，包括：
将运输车辆集合中各运输车辆随机分配至订单集合中所有订单的取货地点，得到各运输车辆所在位置地点。
8.一种运输车辆路径规划方法，其特征在于，包括：
利用如权利要求1至7任一项所述的用于运输车辆路径规划的聚类方法对设定订单集合和设定运输车辆集合进行聚类分析，得到包含订单和运输车辆的订单集群；
基于订单集群中的订单的取货地点、送货地点及货物运输路径和运输车辆所在位置地点，对相应订单集群中运输车辆将其中订单的货物从其取货地点运输至其送货地点的路径进行规划。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8任一项所述方法的步骤。
CN202111028465.4A 2021-09-02 2021-09-02 聚类方法、运输车辆路径规划方法、电子设备及存储介质 Withdrawn CN113469471A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111028465.4A CN113469471A (zh) 2021-09-02 2021-09-02 聚类方法、运输车辆路径规划方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111028465.4A CN113469471A (zh) 2021-09-02 2021-09-02 聚类方法、运输车辆路径规划方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN113469471A true CN113469471A (zh) 2021-10-01

Family

ID=77867246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111028465.4A Withdrawn CN113469471A (zh) 2021-09-02 2021-09-02 聚类方法、运输车辆路径规划方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN113469471A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114331220A (zh) * 2022-03-01 2022-04-12 北京邮电大学 基于订单动态优先级的乘用车运输车辆调度方法及装置
CN114493423A (zh) * 2021-12-31 2022-05-13 重庆特斯联智慧科技股份有限公司 物流机器人集群自组织方法及其系统
CN115062868A (zh) * 2022-07-28 2022-09-16 北京建筑大学 一种预聚类的车辆配送路径规划方法和装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010047237A1 (en) * 1998-05-15 2001-11-29 Kazuya Nakagawa Transportation arrangement system and transportation arrangement apparatus
CN101315731A (zh) * 2008-07-17 2008-12-03 上海途锐信息技术有限公司 一种利用gps智能车载终端实现车辆监控调度的系统
CN111191847A (zh) * 2019-12-31 2020-05-22 苏宁云计算有限公司 考虑订单聚合度的配送路径规划方法与系统
CN112183812A (zh) * 2020-08-25 2021-01-05 昆明理工大学 一种计及短时低成本的成品卷烟物流车辆调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20010047237A1 (en) * 1998-05-15 2001-11-29 Kazuya Nakagawa Transportation arrangement system and transportation arrangement apparatus
CN101315731A (zh) * 2008-07-17 2008-12-03 上海途锐信息技术有限公司 一种利用gps智能车载终端实现车辆监控调度的系统
CN111191847A (zh) * 2019-12-31 2020-05-22 苏宁云计算有限公司 考虑订单聚合度的配送路径规划方法与系统
CN112183812A (zh) * 2020-08-25 2021-01-05 昆明理工大学 一种计及短时低成本的成品卷烟物流车辆调度方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李万涛: "虚拟物流平台关键技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114493423A (zh) * 2021-12-31 2022-05-13 重庆特斯联智慧科技股份有限公司 物流机器人集群自组织方法及其系统
CN114493423B (zh) * 2021-12-31 2024-04-09 重庆特斯联智慧科技股份有限公司 物流机器人集群自组织方法及其系统
CN114331220A (zh) * 2022-03-01 2022-04-12 北京邮电大学 基于订单动态优先级的乘用车运输车辆调度方法及装置
CN114331220B (zh) * 2022-03-01 2022-05-13 北京邮电大学 基于订单动态优先级的乘用车运输车辆调度方法及装置
CN115062868A (zh) * 2022-07-28 2022-09-16 北京建筑大学 一种预聚类的车辆配送路径规划方法和装置

Similar Documents

Publication Publication Date Title
CN113469471A (zh) 聚类方法、运输车辆路径规划方法、电子设备及存储介质
CN108873905A (zh) 自动驾驶车辆控制方法、自动驾驶车辆及可读存储介质
CN111191847A (zh) 考虑订单聚合度的配送路径规划方法与系统
CN110390409A (zh) 配送方案的确定方法、装置以及计算机可读存储介质
CN113033866B (zh) 一种紧急订单配送调度优化方法
CN113177752B (zh) 一种路线规划方法、装置及服务器
CN111667085B (zh) 物流路由网络的确定方法、装置、介质及电子设备
CN111459108A (zh) 拖挂式多agv系统的任务分配及无冲突路径规划方法
CN112183838B (zh) 一种基于多约束修正c-w算法优化解决智能无人车路径规划问题的方法
CN113077103A (zh) 运输网络规划方法和装置
CN115062868B (zh) 一种预聚类的车辆配送路径规划方法和装置
CN114757394A (zh) 基于工作量平衡的物流车辆路径优化方法、系统和介质
CN112613701B (zh) 一种成品卷烟物流调度方法
JP4025652B2 (ja) 輸送計画作成システム及び方法
CN112001646A (zh) 一种物料调度方法、装置、存储介质及电子设备
CN112016750A (zh) 一种改进的解决带约束车辆路径问题的方法
CN114877906A (zh) 配送计划生成方法、装置、系统及计算机可读存储介质
CN110930092A (zh) 一种配送路线调整方法、装置、电子设备和存储介质
Haider et al. Optimizing the relocation operations of free-floating electric vehicle sharing systems
Bruniecki et al. Evaluation of vehicle routing problem algorithms for transport logistics using dedicated GIS system
CN115062852A (zh) 一种运输路径规划方法及装置
CN109102123B (zh) 拼车路线优化方法及装置、存储介质、计算设备
CN109784592B (zh) 基于蒙特卡洛算法与粒子群算法的快递智能小车调度方法
KR20050055038A (ko) 에어리어 분할 시스템
JP2004238129A (ja) 配送計画立案方法およびその装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20211001

WW01 Invention patent application withdrawn after publication